Forecasting moving average model

net. sourceforge. openforecast. models Classe MovingAverageModel Um modelo de previsão de média móvel é baseado em uma série temporal artificialmente construída na qual o valor para um determinado período de tempo é substituído pela média desse valor e os valores para algum número de tempo anterior e posterior períodos. Como você pode ter adivinhado na descrição, esse modelo é mais adequado para dados de séries temporais, ou seja, dados que mudam com o tempo. Por exemplo, muitos gráficos de ações individuais no mercado de ações mostram médias móveis de 20, 50, 100 ou 200 dias como forma de mostrar tendências. Como o valor da previsão para qualquer período é uma média dos períodos anteriores, a previsão sempre parecerá atrasar ou aumentar ou diminuir os valores observados (dependentes). Por exemplo, se uma série de dados tiver uma tendência ascendente perceptível, uma previsão de média móvel geralmente fornecerá uma subestimativa dos valores da variável dependente. O método da média móvel tem uma vantagem sobre outros modelos de previsão, na medida em que suaviza picos e vales (ou vales) em um conjunto de observações. No entanto, também tem várias desvantagens. Em particular, este modelo não produz uma equação real. Portanto, não é tão útil como uma ferramenta de previsão de médio e longo alcance. Ele só pode ser usado com segurança para prever um ou dois períodos no futuro. O modelo de média móvel é um caso especial da média móvel ponderada mais geral. Na média móvel simples, todos os pesos são iguais. Desde: 0.3 Autor: Steven R. Gould Campos herdados da classe net. sourceforge. openforecast. models. AbstractForecastingModel MovingAverageModel () Constrói um novo modelo de previsão de média móvel. MovingAverageModel (int period) Constrói um novo modelo de previsão de média móvel, usando o período especificado. getForecastType () Retorna um ou dois nomes de palavras desse tipo de modelo de previsão. init (DataSet dataSet) Usado para inicializar o modelo de média móvel. toString () Isso deve ser substituído para fornecer uma descrição textual do modelo de previsão atual incluindo, quando possível, quaisquer parâmetros derivados usados. Métodos herdados da classe net. sourceforge. openforecast. models. WeightedMovingAverageModel MovingAverageModel Constrói um novo modelo de previsão de média móvel. Para que um modelo válido seja construído, você deve chamar init e passar um conjunto de dados contendo uma série de pontos de dados com a variável de tempo inicializada para identificar a variável independente. MovingAverageModel Constrói um novo modelo de previsão de média móvel, usando o nome fornecido como a variável independente. Parâmetros: independentVariable - o nome da variável independente a ser usada neste modelo. MovingAverageModel Constrói um novo modelo de previsão de média móvel, usando o período especificado. Para que um modelo válido seja construído, você deve chamar init e passar um conjunto de dados contendo uma série de pontos de dados com a variável de tempo inicializada para identificar a variável independente. O valor do período é usado para determinar o número de observações a serem usadas para calcular a média móvel. Por exemplo, para uma média móvel de 50 dias em que os pontos de dados são observações diárias, o período deve ser definido como 50. O período também é usado para determinar a quantidade de períodos futuros que podem ser efetivamente previstos. Com uma média móvel de 50 dias, não podemos razoavelmente - com qualquer grau de precisão - prever mais de 50 dias além do último período para o qual os dados estão disponíveis. Isso pode ser mais benéfico do que, digamos, um período de 10 dias, em que só poderíamos prever razoavelmente 10 dias além do último período. Parâmetros: period - o número de observações a serem usadas para calcular a média móvel. MovingAverageModel Constrói um novo modelo de previsão de média móvel, usando o nome fornecido como a variável independente e o período especificado. Parâmetros: independentVariable - o nome da variável independente a ser usada neste modelo. period - o número de observações a serem usadas para calcular a média móvel. Usado para inicializar o modelo de média móvel. Esse método deve ser chamado antes de qualquer outro método na classe. Como o modelo de média móvel não deriva nenhuma equação para previsão, esse método usa o DataSet de entrada para calcular os valores de previsão para todos os valores válidos da variável de tempo independente. Especificado por: init in interface Sobreposição de ForecastingModel: init na classe AbstractTimeBasedModel Parâmetros: dataSet - um conjunto de dados de observações que pode ser usado para inicializar os parâmetros de previsão do modelo de previsão. getForecastType Retorna um ou dois nomes de palavras desse tipo de modelo de previsão. Mantenha isso curto. Uma descrição mais longa deve ser implementada no método toString. Isso deve ser substituído para fornecer uma descrição textual do modelo de previsão atual, incluindo, quando possível, quaisquer parâmetros derivados usados. Especificado por: toString na interface Predefinições de ForecastingModel: toString na classe WeightedMovingAverageModel Retorna: uma representação de string do modelo de previsão atual e seus parâmetros. Na prática, a média móvel fornecerá uma boa estimativa da média das séries temporais se a média for constante ou mudando lentamente. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo medirá os efeitos da variabilidade. O objetivo de fornecer um m menor é permitir que a previsão responda a uma mudança no processo subjacente. Para ilustrar, propomos um conjunto de dados que incorpora mudanças na média subjacente da série temporal. A figura mostra as séries temporais usadas para ilustração juntamente com a demanda média a partir da qual a série foi gerada. A média começa como uma constante em 10. A partir do instante 21, ela aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Em seguida, ela se torna constante novamente. Os dados são simulados adicionando à média um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3. Os resultados da simulação são arredondados para o inteiro mais próximo. A tabela mostra as observações simuladas usadas para o exemplo. Quando usamos a tabela, devemos lembrar que, a qualquer momento, apenas os dados passados ​​são conhecidos. As estimativas do parâmetro do modelo, para três valores diferentes de m, são mostradas junto com a média das séries temporais na figura abaixo. A figura mostra a estimativa da média móvel da média em cada vez e não a previsão. As previsões mudariam as curvas da média móvel para a direita por períodos. Uma conclusão é imediatamente aparente da figura. Para as três estimativas, a média móvel fica atrás da tendência linear, com o atraso aumentando com m. O atraso é a distância entre o modelo e a estimativa na dimensão de tempo. Por causa do atraso, a média móvel subestima as observações à medida que a média está aumentando. O viés do estimador é a diferença em um tempo específico no valor médio do modelo e o valor médio previsto pela média móvel. O viés quando a média está aumentando é negativo. Para uma média decrescente, o viés é positivo. O atraso no tempo e o viés introduzidos na estimativa são funções de m. Quanto maior o valor de m. quanto maior a magnitude do atraso e do preconceito. Para uma série crescente com tendência a. os valores de defasagem e viés do estimador da média são dados nas equações abaixo. As curvas de exemplo não correspondem a essas equações porque o modelo de exemplo não está aumentando continuamente, em vez disso, inicia como uma constante, muda para uma tendência e, em seguida, torna-se constante novamente. Além disso, as curvas de exemplo são afetadas pelo ruído. A previsão da média móvel de períodos no futuro é representada pela mudança das curvas para a direita. O atraso e o preconceito aumentam proporcionalmente. As equações abaixo indicam o atraso e o viés de um período de previsão no futuro quando comparado aos parâmetros do modelo. Novamente, essas fórmulas são para uma série temporal com uma tendência linear constante. Não devemos nos surpreender com esse resultado. O estimador da média móvel baseia-se no pressuposto de uma média constante e o exemplo tem uma tendência linear na média durante uma parte do período do estudo. Como as séries em tempo real raramente obedecerão exatamente às premissas de qualquer modelo, devemos estar preparados para tais resultados. Podemos também concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menor. A estimativa é muito mais volátil para a média móvel de 5 do que a média móvel de 20. Temos desejos conflitantes de aumentar m para reduzir o efeito da variabilidade devido ao ruído e diminuir m para tornar a previsão mais sensível às mudanças em média. O erro é a diferença entre os dados reais e o valor previsto. Se a série temporal for verdadeiramente um valor constante, o valor esperado do erro é zero e a variância do erro é composta por um termo que é uma função e um segundo termo que é a variância do ruído,. O primeiro termo é a variância da média estimada com uma amostra de m observações, assumindo que os dados provêm de uma população com uma média constante. Este termo é minimizado tornando-se o mais amplo possível. Um grande m faz a previsão não responder a uma mudança na série temporal subjacente. Para tornar a previsão sensível às mudanças, queremos que o menor seja possível (1), mas isso aumenta a variação do erro. A previsão prática requer um valor intermediário. Previsão com o Excel O suplemento Previsão implementa as fórmulas de média móvel. O exemplo abaixo mostra a análise fornecida pelo add-in para os dados de amostra na coluna B. As 10 primeiras observações são indexadas de -9 a 0. Em comparação com a tabela acima, os índices de período são deslocados em -10. As primeiras dez observações fornecem os valores iniciais para a estimativa e são usadas para calcular a média móvel para o período 0. A coluna MA (10) (C) mostra as médias móveis calculadas. O parâmetro de média móvel m está na célula C3. A coluna Fore (1) (D) mostra uma previsão para um período no futuro. O intervalo de previsão está na célula D3. Quando o intervalo de previsão é alterado para um número maior, os números na coluna Fore são deslocados para baixo. A coluna Err (1) (E) mostra a diferença entre a observação e a previsão. Por exemplo, a observação no tempo 1 é 6. O valor previsto feito a partir da média móvel no tempo 0 é 11,1. O erro então é -5.1. O desvio padrão e o Desvio Médio Médio (MAD) são calculados nas células E6 e E7, respectivamente. Forecast with Moving Average Model Com esse processo, o sistema executa uma previsão com o modelo de média móvel. Esse modelo de previsão é um modelo usado para ajustar rapidamente a previsão. Ele determina a demanda futura com base na média dos x períodos passados. A previsão com este modelo é constante. Antes de calcular a previsão, o sistema executa a correção de valores discrepantes. Após calcular a previsão, o sistema calcula o desvio padrão e o MAD. Para obter mais informações sobre como o sistema escolhe esse modelo, consulte Seleção automática de modelos. O sistema considera a demanda dos primeiros x períodos do período de análise histórica e a utiliza para calcular o valor médio. É possível especificar x na tela SAP Easy Access em Advanced Planning and Optimization Service Planning Plan Planning Forecast Profile na página da ficha Model Parameter no parâmetro Periods in Moving Average Model. Você pode entrar o período de análise histórica na ficha de registro Geral no parâmetro Períodos históricos. O valor médio é a previsão para os próximos períodos. Você pode definir o número de períodos de previsão na ficha de registro Geral no parâmetro Períodos de previsão. O sistema empurra a janela de tempo dos primeiros x períodos um período para frente e calcula a média como descrito acima. Aqui, o valor médio é a previsão para os próximos períodos, que você pode definir no parâmetro Períodos de previsão. É possível ver o resultado desse cálculo na tela SAP Easy Access em Planejamento de Planejamento de Planejamento de Peças e Planejamento de Planejamento de Planejamento (SPP) Planejamento Avançado de Previsão de Planejamento no índice Demanda: Previsão de Exp. O sistema continua a avançar a janela de tempo em um período, calcula a média e calcula a previsão ex post até que ela chegue ao período atual. Nesse momento, a previsão ex-post passa para a previsão real.